CN100490736C - 热板试验自动检测方法 - Google Patents

Abstract

本发明涉及一种用于热板试验的在线检测方法。目前的检测方法无法实现在线自动检测。本发明包括以下步骤：热板试验图像采集、图像处理、图像特征提取、姿态识别、计算痛阈参数。本发明通过对小鼠活动图像在线采集和处理，获取动物活动姿态的变化情况，采用多种数字图像处理技术对采集到的图像进行分析处理，并且应用了模式识别和神经网络技术，识别小鼠舔后足姿态，获取热板试验的痛阈参数以对药物效果进行评价。本发明具有实时在线跟踪动物运动轨迹进行行为姿态的分析识别等优点。

Description

热板试验自动检测方法

技术领域

本发明属于检测技术领域，涉及一种用于热板试验的在线检测方法，具体是用于药理实验中对解热镇痛药物的药效测试方法。

背景技术

在药理实验中，需要对解热镇痛药物进行药效评价，主要是测定其对痛阈的影响，即热痛反应时间。痛阈的测定可通过动物热痛反应试验来进行，其方法很多，最常用的方法是小鼠热板试验法。其原理是采用导热性能良好的金属板，首先使温度保持在55℃±0.1℃，然后将小鼠放在热金属板上，立即计下起始时刻为T_s。在室温15℃时，一般小鼠受热刺激后5秒钟左右即开始有不舒适行动的表现，典型表现行为是将前腿举起，舔其前足，而在15秒左右大多数舔其后足，少数踢其后腿，有时甚至有跳跃等动作。前足的反应动作不易确定，一般采取小鼠舔后足的动作，作为对热痛刺激保护性反映的指示，立即记录此反应出现的时刻T_e，T_e与T_s之间的时间差T就是痛阈值(热痛反应潜伏期)，并根据小鼠用药前后的不同痛阈值计算痛阈提高百分率E。通过测定痛阈T及痛阈提高百分率E对药物效果进行评价；镇痛药物可提高痛阈，延长热痛反应时间。

目前国内外小鼠热板试验所采用的方法，有人工操作计时及自动操作计时两种。人工计时方法一般是由一个计时器和一个开关组成，实验时以人工观察动物的热痛反应出现时间并记录其潜伏期，这种方法无法实现自动计时。另有部分自动记录方法，能够记录动物感觉到痛觉并移开足部的时间，如通过内置红外发生器的感知器探测到动物肢爪0.1秒的回撤，但该方法仅通过对动物持续抬足时间进行测定，难以对动物舔后足的姿态进行有效识别。

发明内容

本发明的目的就是针对现有热板试验检测技术的不足，提供一种在线自动检测的方法，以实现热板试验的自动检测。

本发明的检测方法包括以下步骤：热板试验图像采集、图像处理、图像特征提取、姿态识别、计算痛阈参数。

各步骤的具体内容是：

(1)热板试验图像采集：开始热板试验，记录下起始时刻T_s，通过图像传感器以帧率k连续采集活动图像，并传递入计算机中，得到数字化图像f(x，y)。

(2)图像处理是对采集到的原始图像f(x，y)按以下步骤进行处理：

①采用邻域均值滤波器对原始图像f(x，y)进行滤波，降低噪声干扰，得到图像f₁(x，y)， $f_1(x,y)=\frac{1}{n}\underset{-1}{\overset{1}{\mathrm{\Σ}}}\underset{-1}{\overset{1}{\mathrm{\Σ}}}f(x+i,y+j),$ 其中n为滤波运算的模板像素数量；

②以设定灰度阈值T(x，y)为界限对图像f₁(x，y)进行阈值分割，得到二值化数字图像f₂(x，y)， $f_2(x,y)=\left\{\begin{array}{cc}1& f_2(x,y)>T(x,y)\\ 0& f_2(x,y)\≤T(x,y)\end{array}\right.;$

③通过模板对f₂(x，y)进行开操作，消除目标尾部，得到图像f₃(x，y)；

④对图像f₃(x，y)进行边缘跟踪，取得单像素目标轮廓图像f₄(x，y)；

⑤对轮廓图像f₄(x，y)采用Freeman链码方法进行编码，记录各点链码CC。

(3)图像特征提取是从步骤(2)获取的图像f₃(x，y)和f₄(x，y)中提取出以下6类特征参数用于后续识别，分别是：

①利用轮廓图像f₄(x，y)的原点矩，得到目标质心坐标参数(X，Y)；

②通过轮廓图像f₄(x，y)中各轮廓点之间最大距离确定长轴位置，该最大距离为目标长轴参数La；长轴两侧各轮廓点距离长轴的最大距离为短轴参数1Ma₁和2Ma₂；短轴参数1Ma₁与2Ma₂之和为目标短轴参数Ma；目标长短轴参数之比为参数Ra；

③所有轮廓点到质心的距离的均值为参数MD，标准差为参数SD；

④由二值图像f₃(x，y)得到有效像素的数量，即目标面积参数A；由链码CC得到轮廓周长参数P；

⑤根据相邻两帧图像的质心坐标和帧率k得到目标瞬时运动速度参数v， $v=\frac{\sqrt{{(x_{i+1}-x_i)}^2+{(y_{i+1}-y_i)}^2}}{1/k},$ 其中(x_i+1，y_i+1)和(x_i，y_i)分别为相邻两帧图像的质心坐标；

⑥由二值图像f₃(x，y)的中心矩推导7个不变矩参数φ₁、φ₂、φ₃、φ₄、φ₅、φ₆和φ₇。

(4)姿态识别的步骤是：

①如果目标瞬时运动速度v小于速度阈值V，则保留该目标瞬时运动速度v对应的各个特征参数；

②在步骤①保留的各个特征参数范围内，如果目标面积参数A、轮廓周长参数P、目标长轴参数La、目标短轴参数Ma、目标长短轴参数之比参数Ra分别在设定的面积参数范围、轮廓周长参数范围、目标长轴参数范围、目标短轴参数范围、目标长短轴参数之比参数范围内，则保留各个特征参数继续进行处理；

③将步骤②保留的特征参数中的目标长轴参数La、短轴参数1Ma₁和2Ma₂、目标短轴参数Ma、参数Ra、参数MD、参数SD、目标面积参数A、轮廓周长参数P和7个不变矩参数φ₁、φ₂、φ₃、φ₄、φ₅、φ₆、φ₇(不包含目标质心坐标参数(X，Y)和目标瞬时运动速度参数v)输入经过标准样本图像训练后的三层BP(反向传播)神经网络，得到识别结果；

④如果识别结果为检测动作，记录下终止时刻T_e，进入步骤(5)。

(5)计算痛阈参数：根据步骤(1)～(4)的起止时刻T_s和T_e得到痛阈T，T＝T_e—T_s。

本发明中通过模版对f₂(x，y)进行开操作为形态学图像处理中的常用方法；对图像f₃(x，y)进行边缘跟踪采用图像分割技术中的边缘检测方法，该方法为常用方法；由图像中心矩推导7个不变矩参数φ₁、φ₂、φ₃、φ₄、φ₅、φ₆和φ₇的方法采用模式识别技术的常用方法。

本发明通过对小鼠活动图像在线采集和处理，获取动物活动姿态的变化情况，采用多种数字图像处理技术对采集到的图像进行分析处理，并且应用了模式识别和神经网络技术，识别小鼠舔后足姿态，获取热板试验的痛阈参数以对药物效果进行评价。本发明具有实时在线跟踪动物运动轨迹进行行为姿态的分析识别等优点

附图说明

图1：本发明检测方法的流程图；

图2：图1中图像处理的流程图；

图3：图1中特征提取的示意图；

图4：图1中姿态识别的流程图。

具体实施方式

本方法实施过程如图1中所示，首先进行热板试验，将试验动物放置在热板实验箱中，开始检测。然后进行图像采集，利用图像传感器在试验箱上方采集动物的活动图像。将活动图像转换，在计算机中将从图像传感器输入的信息转化为8位数字图像待处理。为便于后续识别，对转换后的数字图像进行处理。处理后的图像进行特征提取，从中提取出所需的多个特征参数，用于后续模式识别。利用所取得的特征参数，分段进行姿态识别。最后根据姿态识别的结果进行计算，取得痛阈参数，输出结果，试验终止。

如图1所示，具体检测方法如下：

(1)热板试验图像采集。顺序包括热板试验、图像采集和图像转换。进行小鼠热板试验，通过图像传感器采集图像，并传递给计算机，得到数字化图像f(x，y)。

(2)采集到图像的处理。由于采集到的图像f(x，y)含有背景信息和噪声，不利于进行后续处理和分析，需要对其进行处理。具体处理流程如图2所示：

①邻域均值滤波

对于输入图像f(x，y)中的每个像素点(m，n)，取其邻域D。设D内含有M个像素，取其平均值作为处理后所得图像f₁(x，y)的像素点(m，n)处的灰度值，进行均值滤波。邻域D的形状和大小根据实际需要选取。设D为3×3邻域，点(m，n)位于D的中心，则有：

$f_1(m,n)=\frac{1}{9}\underset{-1}{\overset{1}{\mathrm{\Σ}}}\underset{-1}{\overset{1}{\mathrm{\Σ}}}f(m+i,n+j)---\left(1\right)$

经过邻域均值滤波处理，减小了图像噪声，得到图像f₁(x，y)。

②阈值分割

为区分实验箱背景与实验动物目标，要对均值滤波后的图像f₁(x，y)进行阈值分割，将背景图像与实验动物图像分离。采用自适应阈值法，根据热板和小鼠的像素灰度分布函数，对不同区域利用数理统计方法选取不同灰度阈值T(x，y)进行分割，将图像分成两部分，保证错误分类的可能性最低。分割之后的图像为：

$f_2(x,y)=\left\{\begin{array}{cc}1& f_2(x,y)>T(x,y)\\ 0& f_2(x,y)\≤T(x,y)\end{array}\right.---\left(2\right)$

③形态学处理

经过分割之后的图像f₂(x，y)中，仅存在动物图像和部分噪点，但图像中动物尾部对后续处理形成干扰，进行形态学处理。采用给定大小的邻域模板D1，对图像f₂(x，y)进行开运算，去除动物尾部及离散噪声的干扰同时保留动物躯干信息，得到图像f₃(x，y)。

④边缘提取

应用边缘提取算法，对图像f₃(x，y)进行处理，获取单像素动物轮廓图像，对可能存在断裂，需要进行边缘连接，填充断裂部位。采用阈值跟踪法对轮廓图像中的每个像素进行邻域分析，选取邻点中特征相似的断裂点加以连接，得到完整轮廓图像f₄(x，y)。

⑤链码提取。

对图像f₄(x，y)中的所有轮廓像素点，用Freeman编码方法，根据每个轮廓点像素在8邻域中邻点位置的不同分别编码为0-7，获取其轮廓链码CC。

(3)特征提取。通过对轮廓链码CC、二值化图像f₃(x，y)和轮廓图像f₄(x，y)分别进行计算，提取出以下6类特征参数用于后续识别。具体如图3所示：

①目标质心坐标(X，Y)。对一幅数字图像f(x，y)来说，p+q阶原点矩m_pq为：

$m_{\mathrm{pq}}=\underset{(x,y)\∈R}{\mathrm{\Σ\Σ}}{x}^p{y}^q---\left(3\right)$

其中R为图像中目标对象区域。

用原点矩对轮廓图像f₄(x，y)进行计算，得到质心坐标(X，Y)：

$\left\{\begin{array}{c}\stackrel{\‾}{X}=\frac{m_{10}}{m_{00}}\\ \stackrel{\‾}{Y}=\frac{m_{01}}{m_{00}}\end{array}\right.---\left(4\right)$

②长轴参数La、短轴参数Ma、长短轴参数之比参数Ra。如图3所示，通过对轮廓图像f₄(x，y)进行计算获取各轮廓点之间最大距离确定长轴位置，并得到目标长轴参数La，通过计算长轴两侧各轮廓点距离长轴的最大距离，得到短轴参数1Ma₁和2Ma₂，短轴参数1Ma₁与2Ma₂之和为目标短轴参数Ma，目标长短轴参数之比为参数Ra。

③轮廓到质心的距离的标准差参数SD和均值参数MD。

计算所有轮廓点到质心的距离d的均值参数MD和标准差参数SD，这两个参数反映了动物轮廓相对于质心的距离和对称程度。仍通过对轮廓图像f₄(x，y)进行处理获取均值参数MD和标准差参数SD。

④目标面积参数A和周长参数P。

目标面积参数A可通过二值化图像f₃(x，y)的0阶原点矩求得：

A＝m₀₀　　　　(5)

周长参数P可由步骤链码参数CC求得。由于链码值不同，其在8邻域中表达的方向不同，相应所代表的的距离d也有所不同，因此距离d在水平和垂直4个方向上定义为1，在4个对角方向上定义为

如式(6)所示所有链码距离之和就是轮廓周长，其中C为目标边界轮廓。

$P=\underset{(x,y)\∈C}{\mathrm{\Σ}}d(x,y)---\left(6\right)$

⑤运动速度v。

令点P_i+1(x_i+1，y_i+1)和点P_i(x_i，y_i)分别为相邻2帧图像的质心坐标，k为图像采集的帧率。根据相邻2帧图像质心，由式(7)可求得目标瞬时移动速度：

$v=\frac{\sqrt{{(x_{i+1}-x_i)}^2+{(y_{i+1}-y_i)}^2}}{1/k}---\left(7\right)$

⑥不变矩。

当目标区域的灰度分布已知时，可利用其来描述目标的边界形状和灰度分布特性，即用区域矩来表征目标。由各阶矩构造的一些函数具有平移、旋转及尺度缩放不变性，由此可以得到反映目标内在属性的一些仿射不变特征，较为全面地反映了目标本原特征。根据二值化图像f₃(x，y)，利用中心矩μ_pq及归一化中心矩η_pq，计算出7个不变矩参数φ₁、φ₂、φ₃、φ₄、φ₅、φ₆和φ₇，计算公式如式(8)及式(9)所示：

$\left\{\begin{array}{c}{\mathrm{\μ}}_{\mathrm{pq}}=\underset{(x,y)\∈R}{\mathrm{\Σ\Σ}}{(x-\stackrel{\‾}{X})}^p{(y-\stackrel{\‾}{Y})}^q\\ \begin{array}{cc}{\mathrm{\η}}_{\mathrm{pq}}={\mathrm{\μ}}_{\mathrm{pq}}/{{\mathrm{\μ}}^r}_{00}& (r=\frac{p+q+2}{2},p+q=\mathrm{2,3},...)\end{array}\end{array}\right.---\left(8\right)$

$\left\{\begin{array}{c}{\mathrm{\φ}}_1={\mathrm{\η}}_{20}+{\mathrm{\η}}_{02}\\ {\mathrm{\φ}}_2={({\mathrm{\η}}_{20}-{\mathrm{\η}}_{02})}^2+4{{\mathrm{\η}}^2}_{11}\\ {\mathrm{\φ}}_3={({\mathrm{\η}}_{30}-3{\mathrm{\η}}_{12})}^2+{({3\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})}^2\\ {\mathrm{\φ}}_4={({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})}^2+{({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})}^2\\ {\mathrm{\φ}}_5=({\mathrm{\η}}_{30}-3{\mathrm{\η}}_{12})({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})[{({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})}^2-3{({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})}^2]+({3\mathrm{\η}}_{21}-{\mathrm{\η}}_{03})({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})[3{({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})}^2-{({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})}^2]\\ {\mathrm{\φ}}_6=({\mathrm{\η}}_{20}-{\mathrm{\η}}_{02})[{({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})}^2-{({\mathrm{\η}}_{12}+{\mathrm{\η}}_{03})}^2]+{4\mathrm{\η}}_{11}({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})\\ {\mathrm{\φ}}_7=({3\mathrm{\η}}_{21}-{\mathrm{\η}}_{03})({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})[{({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})}^2-3{({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})}^2]+({3\mathrm{\η}}_{12}-{\mathrm{\η}}_{30})({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})[3{({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})}^2-{({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})}^2]\end{array}\right.---\left(9\right)$

(4)姿态识别。为提高识别效率，对图像按顺序进行分段识别，具体如图4所示：

①速度分类。对输入的图像进行转换处理和特征提取后，首先对速度进行判断，将由相邻两帧图像求出的瞬时速度v同速度阈值V进行比较，如果目标瞬时运动速度v小于速度阈值V，则保留该目标瞬时运动速度v对应的各个特征参数，否则转入对下一帧图像进行处理；

②几何参数分类。

在速度分类步骤中保留的各个特征参数范围内，如果目标面积参数A、轮廓周长参数P、目标长轴参数La、目标短轴参数Ma、目标长短轴参数之比参数Ra分别在设定的面积参数范围、轮廓周长参数范围、目标长轴参数范围、目标短轴参数范围、目标长短轴参数之比参数范围内，则保留各个特征参数继续进行处理。如不满足条件则转入进行下一帧图像的处理；

③BP神经网络分类。将经过几何参数分类保留的特征参数中的目标长轴参数La、短轴参数1Ma₁和2Ma₂、目标短轴参数Ma、参数Ra、参数MD、参数SD、目标面积参数A、轮廓周长参数P和7个不变矩参数φ₁、φ₂、φ₃、φ₄、φ₅、φ₆、φ₇(不包含目标质心坐标参数(X，Y)和目标瞬时运动速度参数v)输入经过标准样本图像训练后的三层BP(反向传播)神经网络，得到识别结果。如判断结果为否则转入下一帧图像的处理。

(5)输出结果。当检测到动物特定姿态时，停止热板恒温加热、图像采集处理，记录此反应出现的时刻T_e，根据试验起止时间T_e和T_s求出痛阈T，并计算痛阈提高参数。根据对动物用药前后及用药时间不同时间段的测试，记录未服药时痛阈为T，用药后各痛阈为Q，则痛阈提高参数E为：

$E=\frac{Q-T}{T}\×100\%---\left(10\right)$

记录到痛阈参数T和提高率E后，试验终止。

当未检测到动物持续舔后足姿态时，系统继续运行对下一幅图像进行采集处理。如果试验进行至预设最大实验时间，仍未出现目标姿态，系统自动中止运行，停止试验，以防对实验动物机体造成损害。

Claims (1)

1、热板试验自动检测方法，其特征在于该检测方法包括以下步骤：热板试验图像采集、图像处理、图像特征提取、姿态识别、计算痛阈参数，各步骤的具体内容是：

(1)热板试验图像采集：开始热板试验，记录下起始时刻T_s，通过图像传感器以帧率k连续采集活动图像，并传递入计算机中，得到数字化图像f(x，y)；

(2)图像处理是对采集到的原始图像f(x，y)按以下步骤进行处理：

①采用邻域均值滤波器对原始图像f(x，y)进行滤波，降低噪声干扰，得到图像 $f_1(x,y),f_1(x,y)=\frac{1}{n}\underset{-1}{\overset{1}{\mathrm{\Σ}}}\underset{-1}{\overset{1}{\mathrm{\Σ}}}f(x+i,y+j),$ 其中n为滤波运算的模板像素数量；

②以设定灰度阈值T(x，y)为界限对图像f₁(x，y)进行阈值分割，得到二值化数字图像f₂(x，y)， $f_2(x,y)=\left\{\begin{array}{cc}1& f_2(x,y)>T(x,y)\\ 0& f_2(x,y)\≤T(x,y)\end{array}\right.;$

③通过模版对f₂(x，y)进行开操作，消除目标尾部，得到图像f₃(x，y)；

④对图像f₃(x，y)进行边缘跟踪，取得单像素目标轮廓图像f₄(x，y)；

⑤对轮廓图像f₄(x，y)采用Freeman链码方法进行编码，记录各点链码CC；

(3)图像特征提取是从步骤(2)获取的图像f₃(x，y)和f₄(x，y)中提取出以下6类特征参数用于后续识别，分别是：

①利用轮廓图像f₄(x，y)的原点矩，得到目标质心坐标参数(X，Y)；

②通过轮廓图像f₄(x，y)中各轮廓点之间最大距离确定长轴位置，该最大距离为目标长轴参数La；长轴两侧各轮廓点距离长轴的最大距离为短轴参数1Ma₁和2Ma₂；短轴参数1Ma₁与2Ma₂之和为目标短轴参数Ma；目标长短轴参数之比为参数Ra；

③所有轮廓点到质心的距离的均值为参数MD，标准差为参数SD；

④由二值图像f₃(x，y)得到有效像素的数量，即目标面积参数A；由链码CC得到轮廓周长参数P；

⑤根据相邻两帧图像的质心坐标和帧率k得到目标瞬时运动速度参数v， $v=\frac{\sqrt{{(x_{i+1}-x_i)}^2+{(y_{i+1}-y_i)}^2}}{1/k},$ 其中(x_i+1，y_i+1)和(x_i，y_i)分别为相邻两帧图像的质心坐标；

⑥由图像中心矩推导7个不变矩参数φ₁、φ₂、φ₃、φ₄、φ₅、φ₆和φ₇；

(4)姿态识别的步骤是：

①如果目标瞬时运动速度v小于速度阈值V，则保留该目标瞬时运动速度v对应的各个特征参数；

②在步骤①保留的各个特征参数范围内，如果目标面积参数A、轮廓周长参数P、目标长轴参数La、目标短轴参数Ma、目标长短轴参数之比参数Ra分别在设定的面积参数范围、轮廓周长参数范围、目标长轴参数范围、目标短轴参数范围、目标长短轴参数之比参数范围内，则保留各个特征参数继续进行处理；

③将步骤②保留的特征参数中的目标长轴参数La、短轴参数1Ma₁和2Ma₂、目标短轴参数Ma、参数Ra、参数MD、参数SD、目标面积参数A、轮廓周长参数P和7个不变矩参数φ₁、φ₂、φ₃、φ₄、φ₅、φ₆、φ₇输入经过标准样本图像训练后的三层反向传播神经网络，得到识别结果；

④如果识别结果为检测动作，记录下终止时刻T_e，进入步骤(5)；

(5)计算痛阈参数：根据步骤(1)～(4)的起止时刻T_s和T_e得到痛阈T，T＝T_e-T_s。

Images